在应用程序中将OJB作为一个存储层使用(四)

删除对象:

UCDeleteProduct类允许用于从products中选择一条记录并将它从存储库中删除。用户输

入产品的productId,broker试着查找指定的product。我们不需要拥有真个产品目录,

所以查找是很有必要的。Broker接着将找到的product删除,代码如下:

public void apply()

{

    String in = readLineWithMessage("Delete Product with id:");

    int id = Integer.parseInt(in);

    // We do not have a reference to the selected Product.

    // So first we have to lookup the object,

    // we do this by a query by example (QBE):

    // 1. build an example object with matching primary key values:

    Product example = new Product();

    example.setId(id);

    // 2. build a QueryByCriteria from this sample instance:

    Query query = new QueryByCriteria(example);

    try

    {

        // start broker transaction

        broker.beginTransaction();

        // lookup the product specified by the QBE

        Product toBeDeleted = (Product) broker.getObjectByQuery(query);

        // now ask broker to delete the object

        broker.delete(toBeDeleted);

        // commit transaction

        broker.commitTransaction();

    }

    catch (Throwable t)

    {

        // rollback in case of errors

        broker.abortTransaction();

        t.printStackTrace();

    }

}

在本文中,QueryByCriteria方法被用来使功能实现变得简单,代码更加少。我们也可以

通过Criteria对象创建一个指定过滤条件的查询,下面的代码简单地实现了通过Criter

ia对象来创建一个查询:

// build filter criteria:

    Criteria criteria = new Criteria();

    criteria.addEqualTo(_id, new Integer(id));

    // build a query for the class Product with these filter criteria:

    Query query = new QueryByCriteria(Product.class, criteria);

...

我们可以任意地指定条件来创建复杂的查询。下面的代码通过Criteria类实现了一个更

复杂查询,它将获得所有价格少于5。40,并且至少有两百万库存量的产品目录:

// build filter criteria:

    Criteria criteria = new Criteria();

    criteria.addLessThan("price", new Double( 5.40 ));

    criteria.addGreaterThan("stock", new Integer( 2000000 ));

    // build a query for the class Product with these filter criteria:

    Query query = new QueryByCriteria(Product.class, criteria);

...

完成实例程序:

实例程序的完成工作留给读者自己。

现在你应该已经对OJB PesistenceBroker的基本功能很熟悉。为了更好的深入,你可以

考虑实现下面的额外功能:

1. 列出所有价格大于1000的产品目录(或者让用户输入条件)

2. 删除所有库存量为0的产品

3. 给所有价格低于500的产品提价11%(并存入存储库)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在风能领域,准确预测风速对于风电场的运行与管理至关重要。Matlab作为一个强大的数学计算和数据分析平台,被广泛应用于风速预测模型的构建。本文将深入探讨基于种风速——随机风、基本风、阵风和渐变风的组合风速预测技术。 我们来理解这种风速类型: 1. **随机风**:随机风是指风速呈现出随机性的变化,通常由大气湍流引起。在建模中,通常通过统计方法如高斯分布或Weibull分布来模拟这种不确定性。 2. **基本风**:基本风速是指在无特定扰动条件下的平均风速,它是长期观测结果的平均值,通常用于结构设计和风能评估。 3. **阵风**:阵风是短时间内风速显著增强的现象,对建筑物和风力发电机造成的主要威胁之一。阵风的预测涉及到风的脉动特性分析。 4. **渐变风**:渐变风是指风速随时间和空间逐渐变化的过程,常见于风向转变或地形影响下的风场变化。 在Matlab中,利用这种风速类型进行组合预测,可以提高预测的准确性。预测模型可能包括以下几个步骤: 1. **数据收集与预处理**:收集历史风速数据,包括随机风、基本风、阵风和渐变风的数据,进行异常值检测、缺失值填充以及数据标准化。 2. **特征工程**:提取风速变化的相关特征,如平均值、标准差、极值、频率分布等,这些特征可能对预测有重要影响。 3. **模型选择**:可以选择多种预测模型,如时间序列分析(ARIMA、状态空间模型等)、机器学习算法(线性回归、决策树、支持向量机、神经网络等)或深度学习模型(LSTM、GRU等)。 4. **模型训练**:利用历史数据训练选定的模型,调整模型参数以优化性能,例如通过交叉验证来避免过拟合。 5. **模型验证与评估**:使用独立的测试集验证模型预测效果,常见的评估指标有均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)。 6. **组合预测**:结合种风速的不同模型预测结果,可以采用加权平均、集成学习(如bagging、boosting)等方式,以提升整体预测精度。 7. **实时更新与动态调整**:实际应用中,模型需要不断接收新的风速数据并进行在线更新,以适应风场环境的变化。 通过以上步骤,可以构建一个综合考虑各种风速特性的预测系统,这对于风电场的功率输出预测、风电设备的维护计划以及电网调度都具有重要价值。然而,需要注意的是,每个风场的地理环境、气候条件和设备状况都有所不同,因此模型的建立应根据实际情况进行定制和优
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值